新型冠状病毒感染病大流行导致了前所未有的全球经济衰退，影响了生产力、商业动态和数字技术的采用。这项研究使用Spiceworks Ziff Davis的综合商业数据库，分析了20个欧洲国家在疫情期间数字化的公司层面驱动因素。调查结果显示，相当一部分公司在新冠肺炎危机期间引入了新的数字技术。值得注意的是，在疫情之前规模更大、数字化程度更高、生产力更高的公司更有可能在2020年和2021年引入新的数字技术。此外，拥有预先存在的互补技术的公司更有可能采用在疫情期间获得势头的数字应用程序（如数字商务、协作软件、云和分析）。这些模式可能会加剧表现最好的公司和其他商业群体之间的两极分化。公共政策可以在后疫情时代促进包容性数字化转型方面发挥关键作用。

为了充分受益于改良种子品种等新农业技术，还需要对化肥和农药等补充投入以及系统种植、灌溉和除草等做法进行大量投资。农民可能没有认识到这些补充的重要性，导致作物产量和产量不令人满意，最终导致该品种被淘汰。我们提供了一个有偏见的期望、补充投入的使用和技术采用的简单模型，并使用乌干达东部小农户的田间试验来测试其预测。我们发现，使用简短、引人入胜的视频指出补充投资的重要性，有效地阻止了一些农民使用商业改良品种。与理论模型一致，我们发现一些证据表明，这种行为变化源于知识和期望的增加，这些知识和期望更符合已实现的结果。

目前的美国乘用车燃油经济性和温室气体标准将使燃油经济性大致翻一番并减少排放。最近收紧的标准降低了燃料成本，但对消费者福祉的净影响大致为零。

乘用车燃油经济性标准要求在未来十年内大幅提高新车燃油经济性。我们展示了汽车的市场规模（销量）与汽车制造商采用燃油节约技术之间的紧密联系。

在本文中，我们量化了坦桑尼亚农村的市场准入，以及它对农业生产力的限制程度。我们收集了坦桑尼亚两个地区所有1183个村庄的农民投入和销售决策、投入和产出价格以及差旅成本的详细数据。我们发现，在旅行成本调整后的价格分布中，处于第90个百分位的村庄面临的投入和产出价格比处于第10个百分位数的村庄优惠40-55%。在简化形式中，旅行时间的额外标准差与投入采用率和产出销售额降低20-25%有关。我们开发并量化了投入采用的空间模型，并保守地估计，农民的行为就像他们每公里旅行面临6%的从价旅行成本，这相当于去最近的零售商旅行时的40%。在固定外源性当地因素的情况下，我们估计将出行成本降低50%（大约相当于铺设农村道路的效果）会使采用率翻倍，并将采用偏远度梯度降低18%。

为了促使农民采用一种生产性的新农业技术，我们对马拉维200个村庄的丰富社会网络数据应用了简单和复杂的传染扩散模型，以确定种子农民的目标并对其进行新技术培训。一项随机对照试验将这些理论驱动的网络目标定位方法与更简单的策略进行了比较，这些策略要么依赖于政府推广工作者，要么依赖于社会网络（家庭之间的地理距离）的易于测量的代理来识别种农。我们的研究结果表明，技术扩散的特点是一个复杂的传染学习环境，在这个环境中，大多数农民在收养自己之前需要向多个人学习。基于网络理论的目标定位可以超越传统的扩展方法，我们确定了以低成本实现这些收益的方法。

许多技术采用决策是在最初采用后对技术的后续投资的成本或收益不确定的情况下做出的。随着新信息的实现，代理商可能更愿意放弃在使用时看似有利可图的技术。当补贴被用来增加采用率时，低的后续投资率（参与后续投资）尤其成问题，部分原因是补贴可能会吸引技术价值较低的用户。我们使用了一个具有两个随机阶段的田间实验，以产生与采用和贯彻一项新技术相关的收益的外生变化：一种为采用农民提供私人肥料利益的树种。我们的实证结果显示，即使在付出了积极的代价之后，放弃这项技术的比率也很高。实验变化为不确定性下跨期决策的结构模型提供了一个新的识别来源。估计结果表明，农民在种植后会经历对净收益的特殊冲击，这增加了种植量，但降低了农民平均每棵树的存活率。我们模拟了不同不确定性水平下的反事实结果，并观察到只有当不确定性水平相对较低时，技术的补贴使用才会影响采用者的组成。因此，不确定性提供了一个额外的解释，解释了为什么即使在使用率很高的情况下，许多补贴技术也可能得不到利用。

本文调查了发展中国家技术采用方面的一个经验难题：杂交玉米等技术的低采用率大大提高了平均农场利润。对此，我给出了一个简单的解释：技术的收益和成本是异质的，因此净收益低的农民不会采用这项技术。我通过估计产量的相关随机系数模型和杂交玉米收益的相应分布来检验这一假设。这种分布表明，估计总回报最高的农民群体不使用混合动力，但他们的回报与获取技术的高成本相关（由于基础设施差）。另一组农民的回报率较低并被采用，而边缘农民的回报为零，并在样本期内投入和退出使用。总的来说，采用决策似乎是合理的，并通过（观察到的和未观察到的）技术异质净收益的变化得到了很好的解释。

通过一个新构建的公司级数据集，结合爱沙尼亚统计局的各种调查和登记数据，本文对采用数字技术和提高数字技能使用带来的劳动生产率溢价有了新的认识。生产力溢价被分解为直接效应和间接效应，前者有利于企业实际提高其数字强度，后者属于高数字强度行业。在不同的数字技术和技能强度衡量标准中，作为一家被采纳的公司，公司层面的生产力溢价始终是积极的，相当可观。证据还表明，制造业和日常任务含量高、自动化潜力大的行业存在积极的溢出效应。

这项工作采用了一种新的方法来识别和描述采用人工智能（AI）的公司，使用不同来源的大型微观数据。该分析以英国为重点，首次结合了知识产权、网站信息、在线招聘信息和公司层面的财务数据。这表明，很大一部分人工智能使用者活跃在信息和通信技术以及专业服务领域，并且位于英国南部，尤其是伦敦周围。采用者往往比其他公司生产力高、规模大，而年轻的采用者往往更密集地雇佣人工智能工作者。人力资本似乎发挥着重要作用，不仅对人工智能的采用，而且对企业的生产力回报也起着重要作用。当区分进行人工智能创新的公司、拥有人工智能核心业务的公司和寻找人工智能人才的公司时，人工智能采用者的特征会出现显著差异。